MétaCan
Menu
Retour à la cohorte
Enregistrement W4406782900 · doi:10.1186/s12875-024-02640-w

Ten pressure points in primary care during COVID-19: findings from an international narrative review

2025· review· en· W4406782900 sur OpenAlexaff
Sally Hall Dykgraaf, Anne Parkinson, Michael Wright, William Chi Wai Wong, Jane Desborough, Lauren Ball, Elizabeth Sturgiss, Garang M. Dut, Katelyn Barnes, Danielle Butler, Stephanie Davis, Kirsty Douglas, Candan Kendir, Danielle Martin, Robert Marten, Katherine Rouleau, Shannon Barkley, Lucas de Toca, Michael Kidd

Notice bibliographique

RevueBMC Primary Care · 2025
Typereview
Langueen
DomaineHealth Professions
ThématiquePrimary Care and Health Outcomes
Établissements canadiensUniversity of Toronto
Organismes subventionnairesWorld Health Organization
Mots-clésNarrativeCoronavirus disease 2019 (COVID-19)Primary carePrimary (astronomy)Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2)2019-20 coronavirus outbreakPsychologyHistoryMedicineVirologyInternal medicineLinguisticsPhilosophyFamily medicineAstrophysicsPhysics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Strong primary care (PC) services are the foundation of high-performing health care systems and can support effective responses to public health emergencies. Primary care practitioners (PCPs) and PC services played crucial roles in supporting global health system responses to the COVID-19 pandemic. However, these contributions have come at a cost, impacting on PC services and affecting patient care. This secondary analysis of data from an integrative systematic review across international PC settings aimed to identify and describe burdens and challenges experienced by PCPs and PC services in the context of their contributions to COVID-19 pandemic responses. METHODS: We conducted an integrative systematic review and narrative analysis, searching PubMed/Medline, Scopus, Proquest Central and Cochrane Database of Systematic Reviews, plus reference lists of key publications. Included studies were published in peer-reviewed English or Chinese language journals, and described collective responses to COVID-19 undertaken in PC settings or by PCPs. Narrative data regarding impacts on PC services and challenges experienced by PCPs were extracted and analysed using inductive coding and thematic analysis. RESULTS: From 1745 screened papers 108, representing 90 countries, were included. Seventy-eight contained data on negative impacts, challenges or issues encountered in PC. Ten 'pressure points' affecting PC during COVID-19 were identified, clustered in four themes: demand to adopt new ways of working; pressure to respond to fluctuating community needs; strain on PC resources and systems; and ambiguity in interactions with the broader health and social care system. CONCLUSIONS: PCPs and PC services made critical functional contributions to health system responsiveness during the COVID-19 pandemic. However, both practitioners and PC settings were individually and collectively impacted during this period as a result of changing demands in the PC environment and the operational burden of additional requirements imposed on the sector, offering lessons for future pandemics. This study articulates ten empirically derived 'pressure points' that provide an initial understanding of burdens and demands imposed on the international primary care sector during the COVID-19 pandemic. The impact of these contributions should inform future pandemic planning, guided by involvement of PCPs in public health preparedness and policy design.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,030
score de la tête « metaresearch » (Gemma)0,120
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,160

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0300,120
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,004
Bibliométrie0,0180,023
Études des sciences et des technologies0,0020,003
Communication savante0,0060,007
Science ouverte0,0020,006
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,067
Tête enseignante GPT0,465
Écart entre enseignants0,397 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMC Primary CareMême sujetPrimary Care and Health OutcomesTravaux en français237 207